Implementing metabolic transformation algorithms and their application in ageing-related research

Abstract

Metabolic Transformation Algorithm (MTA) is a computational method that identifies potential metabolic interventions to shift a biological system from an undesired state to a desired one by targeting specific genes or reactions within a metabolic network. The Robust Metabolic Transformation Algorithm (rMTA) enhances this capability by incorporating worst-case scenario analyses and integrating the Minimization Of Metabolic Adjustment (MOMA) approach. By transitioning these algorithms from MATLAB to Python, this work aims to enhance their accessibility and usability within the scientific community. The Python implementations were validated by successfully replicating results from the original MATLAB implementation, including gene knockouts of RRM1 and RRM2. Furthermore, the rMTA algorithm was applied to an aging-related scenario in Caenorhabditis elegans to identify candidate genes and pathways involved in the metabolic response to unc-62 knockdown. Additionally, this work integrates an Evolutionary Algorithms (EAs)-based approach to rMTA to evaluate the effects of multiple gene knockouts simultaneously. This extension optimizes the identification of metabolic targets for phenotype reversion, demonstrating the potential for more effective therapeutic strategies. In summary, this dissertation enhances the accessibility of MTA and rMTA by implementing them in Python, applying them to an aging-related scenario, and extending their capabilities through the integration of EAs.

O MTA é um método computacional que identifica potenciais alvos metabólicos de forma a alterar um sistema biológico de um estado indesejado para um estado desejado, visando genes ou reações específicas dentro de uma rede metabólica. O rMTA aprimora esta capacidade ao incorporar análise do pior cenário e ao integrar um abordagem mais robusta, o MOMA. Ao migrar estes algoritmos do MATLAB para Python, este trabalho tem como objetivo aumentar a sua acessibilidade e usabilidade na comunidade científica. As implementações em Python foram validadas ao replicar com sucesso os resultados da implementação original em MATLAB, incluindo knockouts dos genes RRM1 e RRM2. Adicionalmente, o algoritmo rMTA foi aplicado a um caso de estudo relacionado com o envelhecimento em Caenorhabditis elegans, a fim de identificar genes candidatos e vias envolvidas na resposta metabólica ao knockdown do gene unc-62. Para além disso, este trabalho integra uma abordagem baseada em EAs ao rMTA para avaliar os efeitos de múltiplos knockouts de genes em simultâneo. Esta extensão optimiza a identificação de alvos metabólicos para a reversão do fenótipo, demonstrando o seu potencial para estratégias mais eficazes. Em resumo, esta dissertação melhora a acessibilidade do MTA e do rMTA ao implementá-los em Python, aplicando-os a um cenário relacionado com o envelhecimento, e ampliando as suas capacidades através da integração de EAs.